Apache Nutch爬虫 - 仅爬取现有表中的新注入URL
创始人
2024-09-04 14:01:22
0

要使用Apache Nutch爬虫仅爬取现有表中的新注入URL,可以使用以下解决方法:

  1. 创建一个自定义的Nutch插件,在该插件中实现筛选逻辑,只爬取现有表中的新注入URL。

首先,创建一个继承自Nutch的插件类,例如CustomInjectorPlugin:

import org.apache.hadoop.conf.Configuration;
import org.apache.nutch.crawl.InjectorJob;
import org.apache.nutch.plugin.Extension;
import org.apache.nutch.plugin.PluginRepository;
import org.apache.nutch.util.NutchConfiguration;

public class CustomInjectorPlugin {
    public static void main(String[] args) throws Exception {
        // 加载Nutch配置
        Configuration conf = NutchConfiguration.create();

        // 获取所有注册的插件
        Extension[] extensions = PluginRepository.get(conf).getExtensionPoint(InjectorJob.X_POINT_ID).getExtensions();

        // 遍历插件并找到自定义的注入器插件
        for (Extension extension : extensions) {
            if (extension.getId().equals("custom-injector")) {
                // 使用自定义的注入器插件进行注入
                InjectorJob injector = new InjectorJob(conf);
                injector.inject(extension.getDescriptor().getPluginAttribute("injector.path"));
                break;
            }
        }
    }
}

接下来,在Nutch的配置文件中(nutch-site.xml)中添加以下配置:


  
    plugin.includes
    protocol-http|urlfilter-regex|parse-(html|tika)|index-basic|index-(anchor|more)|indexer-elastic|scoring-opic|urlnormalizer-(pass|regex|basic)|protocol-httpclient|custom-injector
    插件加载顺序
  
  
  
    custom.injector.path
    /path/to/custom-injector
    自定义注入器插件的路径
  

在上述配置中,我们添加了一个自定义的injector插件,并指定了该插件的路径。

最后,编译并运行CustomInjectorPlugin类,它将使用自定义的注入器插件仅爬取现有表中的新注入URL。

  1. 使用Nutch的命令行工具进行筛选。

Nutch提供了命令行工具来处理爬虫任务,其中包括部分命令可以用来筛选URL。

首先,使用Nutch的inject命令将新的URL注入到现有表中:

$ bin/nutch inject crawl/crawldb urls/seed.txt

然后,使用Nutch的generate命令生成需要爬取的URL列表:

$ bin/nutch generate crawl/crawldb crawl/segments

接下来,使用Nutch的fetch命令根据某些条件(例如新注入的URL)来爬取URL:

$ bin/nutch fetch crawl/segments/* -noParsing -noParsingFilter -noCrawlFilter

在上述命令中,我们使用了一些选项来禁用解析和爬取过滤器,以确保所有URL都被爬取。

最后,使用Nutch的updatedb命令更新现有表:

$ bin/nutch updatedb crawl/crawldb crawl/segments

这样,只有新注入的URL会被爬取,并更新到现有表中。

请注意,第二种方法是使用Nutch的默认功能和命令行工具进行URL筛选,不需要编写自定义插件。

相关内容

热门资讯

安卓换鸿蒙系统会卡吗,体验流畅... 最近手机圈可是热闹非凡呢!不少安卓用户都在议论纷纷,说鸿蒙系统要来啦!那么,安卓手机换上鸿蒙系统后,...
app安卓系统登录不了,解锁登... 最近是不是你也遇到了这样的烦恼:手机里那个心爱的APP,突然就登录不上了?别急,让我来帮你一步步排查...
安卓系统拦截短信在哪,安卓系统... 你是不是也遇到了这种情况:手机里突然冒出了很多垃圾短信,烦不胜烦?别急,今天就来教你怎么在安卓系统里...
安卓系统要维护多久,安卓系统维... 你有没有想过,你的安卓手机里那个陪伴你度过了无数日夜的安卓系统,它究竟要陪伴你多久呢?这个问题,估计...
windows官网系统多少钱 Windows官网系统价格一览:了解正版Windows的购买成本Windows 11官方价格解析微软...
安卓系统如何卸载app,轻松掌... 手机里的App越来越多,是不是感觉内存不够用了?别急,今天就来教你怎么轻松卸载安卓系统里的App,让...
怎么复制照片安卓系统,操作步骤... 亲爱的手机控们,是不是有时候想把自己的手机照片分享给朋友,或者备份到电脑上呢?别急,今天就来教你怎么...
安卓系统应用怎么重装,安卓应用... 手机里的安卓应用突然罢工了,是不是让你头疼不已?别急,今天就来手把手教你如何重装安卓系统应用,让你的...
iwatch怎么连接安卓系统,... 你有没有想过,那款时尚又实用的iWatch,竟然只能和iPhone好上好?别急,今天就来给你揭秘,怎...
iphone系统与安卓系统更新... 最近是不是你也遇到了这样的烦恼?手机更新系统总是失败,急得你团团转。别急,今天就来给你揭秘为什么iP...